老王在城南开了二十年杂货铺。店里最显眼的货架摆着酱油、盐、纸巾，每天能卖十几件；角落那排“小透明”货架——糖桂花、竹编蒸笼、红曲粉——却常常一整天无人问津。但月底一算账，老王惊讶地发现，这些冷门货加起来竟占了营业额的三成。他翻开台账想给它们备货，却发现每件商品的销量记录稀稀拉拉：上周2罐、上上周0罐、再上周1罐……完全摸不着头脑。这就是长尾商品预测要解决的难题：如何让那些销量稀疏的“小透明”，也能像爆款一样被合理预估、合理备货。本文就用老王杂货铺的故事，带你走一遍从“长尾现象”到“预测方法”再到“库存协同”的完整链路——层次化预测先看大盘再分小账，聚类共享让相似商品抱团取暖，零膨胀模型分清楚两种“零”，最后用安全库存把预测变成利润。

岗位关联

学会长尾商品预测，意味着你能把零售AI中最“难啃”的稀疏数据问题变成可落地的增长引擎——这不仅是算法能力，更是直接创造库存利润的实战本领。

目录
  1. 可视化演示
  2. 长尾效应：冷门货架里的“小透明”
  3. 预测挑战：稀疏销量的“三座大山”
  4. 层次化预测：先看大盘，再分小账
  5. 聚类共享：相似商品“抱团取暖”
  6. 零膨胀模型：分清楚“真没人买”和“碰巧没买”
  7. 库存协同：备货与风险的平衡术
  8. 工程落地：从模型到货架的最后一公里
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示长尾商品需求分布特征与层次化预测聚合流程，支持模式切换查看稀疏需求分布与聚类共享预测机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

长尾商品需求分布特征 头部商品：少数热销品占据大部分销量，需求稳定可预测 长尾区域：大量低频商品销量稀疏，传统方法失效 零膨胀问题：超长尾商品大量零销量，需特殊建模 P(demand=0) = π + (1-π) × Poisson(λ) 零膨胀模型分离零与非零需求提升预测精度。

长尾效应：冷门货架里的“小透明”

老王在城南开了二十年杂货铺。店里最醒目的货架摆着酱油、盐、纸巾，每天都能卖出十几件；可角落里那排“小透明”货架——糖桂花、竹编蒸笼、红曲粉——常常一整天无人问津。但月底一算账，老王惊讶地发现，这些小东西加起来竟占了营业额的三成。这就是零售业著名的“长尾”现象：少数爆款撑起头部，大量冷门商品构成一条绵长的尾巴。

在零售行业，二八法则无处不在：大约20%的商品贡献80%的销售额，剩下80%的商品共享那20%的份额。它们单看都很“弱”，合起来却是一块不容忽视的蛋糕。对零售商来说，放弃尾巴等于把三成营业额让给竞争对手。更关键的是，长尾商品往往毛利更高、竞争更少，是差异化经营的重要阵地。

数学上，长尾可以用帕累托形式的累积占比来描述：

理解了尾巴的价值，老王开始认真对待那排冷门货架——他意识到，真正的难题不是“要不要管”，而是“怎么管”：这些商品的需求记录实在太稀疏了。

S(r)=1−(rN)α,r=1,2,…,N\displaystyle S(r) = 1 - \left(\frac{r}{N}\right)^\alpha, \quad r = 1, 2, \ldots, N
  1. 排名序号$r$ 表示商品按销量从高到低排列的名次，排名第1是店里的“爆款”，排名越靠后越冷门。
    r=1,2,…,Nr = 1, 2, \ldots, N
  2. 累积占比$S(r)$ 是销量排名前 $r$ 名商品合计贡献的销售额比例，$r$ 越大这个值越接近1。
    S(r)=1−(rN)α\displaystyle S(r) = 1 - \left(\frac{r}{N}\right)^\alpha
  3. 形状参数$\alpha$ 控制曲线的弯曲程度。$\alpha$ 越小，尾部越“厚”，说明排名靠后的商品合计贡献越不可忽视。
    α>0\alpha > 0

预测挑战：稀疏销量的“三座大山”

老王翻开台账，试图预测芥菜疙瘩下周要进几罐。上周2罐、上上周0罐、再上周1罐……数据毫无规律。他叹了口气：爆款可以拍脑袋，这些“小透明”连拍脑袋的底气都没有。这不是老王数学不好，而是长尾商品预测的天然困境：数据太少了。

稀疏带来三个连锁挑战。第一，历史样本少，统计上的“均值”极不可靠，一个脉冲订单就能把平均值拉高一倍。第二，大量周销量为零，模型很难区分“卖不动”和“碰巧没卖”。第三，需求波动极大，方差远超均值，常规的时序模型学到的只是“平均”，而不是“规律”。

为了量化稀疏程度，业界常计算零销量比例：

当零值比例超过50%甚至80%，常规模型必然退化。老王意识到，要翻越这三座大山，必须换一套思路：不再孤立地看每个商品，而是让数据在相似商品之间流动起来。

p^0=1T∑t=1TI(yt=0)\displaystyle \hat{p}_0 = \frac{1}{T} \sum_{t=1}^{T} \mathbb{I}(y_t = 0)
  1. 周销量$y_t$ 表示第 $t$ 周该商品的实际销量，$T$ 是观察的总周数。
    t=1,2,…,Tt = 1, 2, \ldots, T
  2. 指示函数$\mathbb{I}(y_t=0)$ 是“探针”，销量为零时记1，否则记0。
    I(yt=0)={1,yt=00,yt≠0\mathbb{I}(y_t=0) = \begin{cases} 1, & y_t = 0 \\ 0, & y_t \neq 0 \end{cases}
  3. 零值比例对 $T$ 周的探针结果取平均，得到零销量占比，是衡量稀疏程度的核心指标。
    p^0=1T∑t=1TI(yt=0)\hat{p}_0 = \frac{1}{T} \sum_{t=1}^{T} \mathbb{I}(y_t = 0)

层次化预测：先看大盘，再分小账

老王灵机一动：芥菜疙瘩虽然自己没规律，但“酱菜类”整体每周稳定卖30瓶。他先把大类定住，再根据芥菜疙瘩在酱菜里的历史占比分账，心里立刻有了底。这就是“先看大盘，再分小账”的朴素智慧。

层次化预测把商品组织成树状层级：门店→部门→品类→SKU。高层的聚合数据噪音小、规律强；低层的SKU数据个性化但稀疏。Top-down方法先预测高层，再按历史比例分解到SKU；Bottom-up方法先预测SKU再逐步加总。实际中常把两者结合，用“一致性修正”让上下层预测对齐，避免两个口径打架。

Top-down 的分解公式：

层次化让“大盘”的信息流到“小账”，但同一个品类里的商品习性仍可能天差地别。老王发现，更精细的做法是把习性相似的商品圈在一起“抱团”。

y^sku=y^cat×yˉsku∑j∈catyˉj\displaystyle \hat{y}_{sku} = \hat{y}_{cat} \times \frac{\bar{y}_{sku}}{\sum_{j \in cat} \bar{y}_j}
  1. 品类预测$\hat{y}_{cat}$ 是先用聚合数据（信息更多）预测出的品类总销量，是整个分解过程的基础。
    y^cat=高层的需求预测\hat{y}_{cat} = \text{高层的需求预测}
  2. SKU历史均值$\bar{y}_{sku}$ 是单个SKU在历史上的平均周销量，代表它在品类中的“历史地位”。
    yˉsku=1T∑t=1Tysku,t\bar{y}_{sku} = \frac{1}{T}\sum_{t=1}^{T} y_{sku,t}
  3. 占比分解该SKU均值占品类所有SKU均值之和的比例，决定了它在品类“蛋糕”中分到多少。
    yˉsku∑j∈catyˉj\frac{\bar{y}_{sku}}{\sum_{j \in cat} \bar{y}_j}
  4. 一致性所有SKU的预测相加恰好等于品类预测，上下层不会自相矛盾，方便库存系统统一执行。
    ∑sku∈caty^sku=y^cat\sum_{sku \in cat} \hat{y}_{sku} = \hat{y}_{cat}

聚类共享：相似商品“抱团取暖”

老王注意到，糖桂花和红曲粉虽然名字八竿子打不着，但买主都是做糕点的阿姨，销量曲线几乎同步。他把这类商品归为一组，谁的数据不充分，就参考组的平均表现。这个“抱团取暖”的思路，正是聚类共享的核心。

聚类共享分两步走。第一步，基于价格、品类、历史均值等特征，把SKU聚类成若干组，组内商品需求模式相近。第二步，每个聚类计算一个“组先验”（组内平均水平），对单个稀疏SKU，用收缩估计把自身少量信息与组先验加权混合——相当于“借邻居的数据补自己的短板”。

收缩估计公式：

聚类共享解决了“样本少”的问题，但还有一个隐患：零销量究竟代表“没人要”还是“碰巧没买”？这两种零必须区别对待。

θ^i=niyˉi+λθ^c(i)ni+λ\displaystyle \hat{\theta}_i = \frac{n_i \bar{y}_i + \lambda \hat{\theta}_{c(i)}}{n_i + \lambda}
  1. 自身样本量$n_i$ 是商品 $i$ 有历史销量的期数（非零期数），反映自己“说话的分量”。
    ni=∑t=1TI(yi,t>0)n_i = \sum_{t=1}^{T} \mathbb{I}(y_{i,t} > 0)
  2. 类先验$\hat{\theta}_{c(i)}$ 是商品所在聚类的整体需求水平，代表“邻居们”提供的外部知识。
    θ^c(i)=该聚类内所有商品的平均需求\hat{\theta}_{c(i)} = \text{该聚类内所有商品的平均需求}
  3. 收缩强度$\lambda$ 是权重超参，$\lambda$ 越大越信任聚类共享信息。
    λ>0\lambda > 0
  4. 加权合成分子是自身信息与共享信息的加权和，分母归一化，得到收缩后的预测。
    θ^i=niyˉi+λθ^c(i)ni+λ\hat{\theta}_i = \frac{n_i \bar{y}_i + \lambda \hat{\theta}_{c(i)}}{n_i + \lambda}

零膨胀模型：分清楚“真没人买”和“碰巧没买”

冬天，老王货架上的防蚊贴连续八周零销量——不是卖不动，是压根没人需要；而糖桂花上周零销量，是阿姨们这周没来，下周可能又来。老王意识到，“零”至少有两种性格。混在一起统计，会把预测值拖向错误的低位。

统计上，前者叫结构零（structural zero），需求本身不存在；后者叫抽样零（sampling zero），需求存在但本周期碰巧没发生。零膨胀模型用两个过程同时建模：一个伯努利过程决定“是否进入可购买状态”，一个泊松过程决定“买多少”。两者联合估计，而不是简单粗暴地把零删掉。

零膨胀泊松（ZIP）的概率质量函数：

有了更诚实的需求估计，老王终于可以回答最实际的问题：每种冷门货到底该备多少？

P(Y=y)={π+(1−π)e−λ,y=0(1−π)λye−λy!,y>0\displaystyle P(Y=y) = \begin{cases} \pi + (1-\pi)e^{-\lambda}, & y=0 \\ (1-\pi)\dfrac{\lambda^y e^{-\lambda}}{y!}, & y>0 \end{cases}
  1. 结构零概率$\pi$ 表示该商品本期属于“结构性没人买”（如冬季的防蚊贴）的概率，取值在0到1之间。
    0≤π≤10 \le \pi \le 1
  2. 泊松过程$1-\pi$ 的概率下进入“有人买”状态，此时销量服从参数 $\lambda$ 的泊松分布，$\lambda$ 是平均需求强度。
    Y∼Poisson(λ)Y \sim \text{Poisson}(\lambda)
  3. 零值总概率$y=0$ 的概率由“结构零”与“泊松过程碰巧产出0”两部分相加，完整刻画两种零。
    P(Y=0)=π+(1−π)e−λP(Y=0) = \pi + (1-\pi)e^{-\lambda}
  4. 正值概率$y>0$ 时只有泊松部分在起作用，乘上 $(1-\pi)$ 的权重。它是零膨胀模型与普通泊松回归的本质区别。
    P(Y=y)=(1−π)λye−λy!P(Y=y) = (1-\pi)\frac{\lambda^y e^{-\lambda}}{y!}

库存协同：备货与风险的平衡术

预测出一周能卖2罐，不代表进2罐就万事大吉——万一这周来了个做年糕的大客户，一下要10罐呢？多进又怕压货。老王的难题从“猜销量”升级为“定库存”，要在缺货与滞销之间走钢丝。

库存决策要同时看两个方向：缺货损失（顾客白跑一趟甚至流失）和滞销成本（资金占用、临期报废）。对长尾商品，滞销风险往往被低估——冷门货一旦积压，可能一年都卖不完。安全库存是应对需求波动与补货提前期的缓冲量，它与预测精度直接联动：预测越准，需求不确定性越小，安全库存就可以越低，省下的都是真金白银。

经典安全库存公式：

预测与库存的协同优化，意味着老王不是“预测完就不管”，而是把预测误差作为库存成本的一部分来统筹。这也是长尾预测落地时最能体现商业价值的一环。

SS=z×L×σd\displaystyle SS = z \times \sqrt{L} \times \sigma_d
  1. 服务水平分位$z$ 是目标服务水平对应的标准正态分位数，服务水平越高，$z$ 越大，比如95%服务水平取 $z=1.65$。
    z=Φ−1(0.95)≈1.65z = \Phi^{-1}(0.95) \approx 1.65
  2. 补货提前期$L$ 是从下单到到货的周数，提前期越长，期间累积的需求不确定性越大。
    L=补货提前期（周）L = \text{补货提前期（周）}
  3. 需求波动$\sigma_d$ 是每周需求的标准差，它直接继承自预测模型的残差——预测越准，这个值越小。
    σd=1T−1∑t=1T(yt−yˉ)2\sigma_d = \sqrt{\frac{1}{T-1}\sum_{t=1}^{T}(y_t - \bar{y})^2}
  4. 合成$\sqrt{L}$ 放大时间跨度上的累积波动，再乘服务水平分位，得到所需的缓冲库存量。
    SS=z×L×σdSS = z \times \sqrt{L} \times \sigma_d

工程落地：从模型到货架的最后一公里

老王把方法都记进了小本本，但真正每天执行的是店里的小李——他需要的是“系统自动算好、一键生成采购单”，而不是看公式。从模型到货架，还差一套可靠的工程流水线。

工程落地要解决三件事。数据管道：把POS流水、库存、促销日历自动清洗成训练样本；模型迭代：定期重训并回评，防止分布漂移后预测失效；监控预警：当实际需求与预测偏差持续扩大时及时告警。评估指标上，业界常用WAPE，因为它给出“总误差占实际需求的比例”，业务同事一听就懂。

WAPE定义：

当这套流水线跑起来，老王的长尾货架终于实现了“明明白白备货”：每件“小透明”都有了自己的预测、安全库存和补货建议。从账本到算法，长尾预测完成了它最重要的使命——让冷门货不再被冷落。

WAPE=∑t=1T∣yt−y^t∣∑t=1T∣yt∣×100%\displaystyle \text{WAPE} = \frac{\sum_{t=1}^{T} |y_t - \hat{y}_t|}{\sum_{t=1}^{T} |y_t|} \times 100\%
  1. 绝对误差$|y_t - \hat{y}_t|$ 是第 $t$ 期真实值与预测值的绝对差距，避免正负误差相互抵消。
    ∣yt−y^t∣|y_t - \hat{y}_t|
  2. 实际规模$\sum_{t=1}^{T} |y_t|$ 是所有周期真实需求的绝对值之和，作为归一化分母，代表业务的总量级。
    ∑t=1T∣yt∣\sum_{t=1}^{T} |y_t|
  3. 误差占比误差总和除以实际总和，再乘以100%，得到误差占真实需求的百分比，方便跨门店、跨品类比较。
    WAPE=∑t=1T∣yt−y^t∣∑t=1T∣yt∣×100%\text{WAPE} = \frac{\sum_{t=1}^{T} |y_t - \hat{y}_t|}{\sum_{t=1}^{T} |y_t|} \times 100\%

AI 应用场景

社区连锁药店的长尾药品备货

阶段：需求预测 + 库存优化

解决的问题：社区药店除了感冒药、降压药等热销品，还有大量慢病辅助药、外用贴剂等长尾SKU。传统做法靠店长经验手动下单，常常断货或积压，新店无历史数据时更是无从下手。AI用层次化预测先预测“心脑血管类”整体需求再分解到单品，同时用聚类共享让同类慢病药品分组共享统计强度，最后配合安全库存公式自动生成补货建议。

具体案例：某连锁药店600家门店中长尾SKU占比75%。上线层次化+聚类共享方案后，长尾药品缺货率下降18%，近效期报废金额下降12%。

电商平台长尾商品的潜力识别

阶段：需求预测 + 商品运营

解决的问题：平台上有大量“僵尸SKU”——有流量但销量零星，运营无法判断哪些值得培育、哪些应该清仓。零膨胀模型能区分“结构性零销量”（季节不对、页面没流量）与“随机性零销量”（有需求但没成交），配合聚类共享对商品分层打标，把运营资源集中在真正有潜力的长尾商品上。

具体案例：某电商平台用零膨胀+聚类模型对长尾商品分层，识别出12%的“潜力长尾”商品，集中运营后这批商品次月GMV提升23%。

生鲜超市低流量单品的订货优化

阶段：补货决策

解决的问题：生鲜长尾单品（如特定品种的菌菇、小众香料）保质期短，错判需求直接报废。传统订货只看上周销量，遇到节假日或天气突变就失灵。层次化预测结合外部特征（天气、节气），在品类层捕捉规律再分解到单品，安全库存再乘以短保系数，实现精细化订货。

具体案例：某精品超市对30个长尾生鲜SKU部署层级补货模型后，日均损耗率从8.2%降至5.6%，缺货率同步下降9%。

Python 演示

python51 行
# -*- coding: utf-8 -*-"""长尾商品预测演示: 层次化 + 聚类共享 + 零膨胀修正"""import numpy as np RNG = np.random.default_rng(42) def simulate_sku_sales(n_sku=60, n_week=104):    """生成长尾SKU周销量矩阵: 大部分SKU低销量, 少量高销量"""    sales = np.zeros((n_sku, n_week), dtype=int)    for i in range(n_sku):        lam = 0.08 if i % 4 != 0 else 0.8        for t in range(n_week):            sales[i, t] = RNG.poisson(lam) if RNG.random() > 0.35 else 0    return sales def hierarchical_share(sales, cat_ids, k=3):    """层次化信息共享: 同类均值作为先验, 收缩自身估计"""    n_sku, _ = sales.shape    cat_mean = {c: sales[cat_ids == c].mean() for c in set(cat_ids)}    shrunk = np.zeros(n_sku)    for i in range(n_sku):        own_mean = sales[i].mean()        n_i = int(np.sum(sales[i] > 0))        prior = cat_mean[cat_ids[i]]        shrunk[i] = (own_mean * n_i + prior * k) / (n_i + k)    return shrunk def zero_inflated_adjust(pred):    """零膨胀修正: 极端稀疏时压缩预测, 避免过度乐观"""    return np.where(pred < 0.03, pred * 0.3, pred) def wape(actual, pred):    """加权绝对百分比误差"""    return np.sum(np.abs(actual - pred)) / max(np.sum(np.abs(actual)), 1e-9) def main():    sales = simulate_sku_sales()    cat_ids = np.arange(sales.shape[0]) % 3    train, test = sales[:, :52], sales[:, 52:]    y_test = test.mean(axis=1)    baseline = train.mean(axis=1)    shrunk = hierarchical_share(train, cat_ids)    final = zero_inflated_adjust(shrunk)    base_wape = wape(y_test, baseline)    new_wape = wape(y_test, final)    print("baseline WAPE: %.4f" % base_wape)    print("improved WAPE: %.4f" % new_wape)    print("error reduction: %.1f%%" % (100 * (1 - new_wape / base_wape))) if __name__ == "__main__":    main()
目的：用模拟的长尾销售数据，对比“简单历史均值”与“层次化+聚类共享+零膨胀修正”两种预测方案的WAPE，演示信息共享如何带来误差下降。
  1. lam = 0.08 if i % 4 != 0 else 0.8模拟数据中80%的SKU周均销量不足0.1件，复现长尾稀疏结构。
  2. cat_mean = {c: sales[cat_ids == c].mean() for c in set(cat_ids)}先聚合到品类层，用品类均值作为共享先验，对应层次化的“先看大盘”。
  3. shrunk[i] = (own_mean * n_i + prior * k) / (n_i + k)收缩估计的代码直译：自身信息与品类先验加权，对应聚类共享的“抱团取暖”。
  4. np.where(pred < 0.03, pred * 0.3, pred)对极端稀疏的SKU压缩预测值，模拟零膨胀模型的保守修正。
  5. wape(y_test, final)用WAPE评估整体误差占比，避免被个别大误差主导，对应工程评估指标。

常见误区

误区尾部商品卖得少、占用货架，直接不备货或者下架最省事，反正单品损失也不大。

正解长尾商品的总量非常可观——老王杂货铺里那排“小透明”货架占了营业额的三成。盲目下架会损失利润和顾客黏性，还会把差异化优势让给竞争对手。更好的做法是用层次化、聚类共享等方法低成本地提升预测精度，把长尾变成利润补充。

为何常见：人们看到单件SKU利润小、预测难，就低估了“群体规模”的价值，忽略了聚合效应。

误区既然单个商品数据少，把几千个SKU一起丢进大模型训练，样本充足了稀疏问题就解决了。

正解混合建模时，热销品的样本量会主导损失函数，模型对长尾商品依然“视而不见”。层次化和聚类共享的核心是“先分组、再共享”，让尾部商品在组内获得统计强度，而不是被全局平均稀释。数据多 ≠ 长尾友好。

为何常见：“大数据万能”的直觉在分布极不均匀时失效——全局大模型不等于小样本友好模型。

误区零膨胀就是把预测拆成两步：第一步分类判断顾客会不会买，第二步回归预测买多少。

正解零膨胀模型的关键是在一个似然函数里显式建模“结构零”与“抽样零”两个分布来源，联合估计参数；而“先分类再回归”的两阶段串联是Hurdle模型的思路，两者并不等价。把零全部删掉、或简单两步走，都会丢失“零”的生成机制信息。

为何常见：很多讲解用“两步逻辑”帮助理解，初学者容易把教学类比错当成模型本身的数学结构。

误区长尾商品既然难预测，就多备一点库存，反正滞销了可以慢慢卖。

正解长尾商品滞销风险本身就是成本，过度备货会造成资金占用和临期报废。安全库存公式SS=z√Lσ是在缺货成本与持有成本之间找平衡；预测越准→σ越小→安全库存越低→总成本越低。这才是“预测协同库存”的意义，而不是盲目加库存。

为何常见：直觉上把“缺货惩罚”看得过重，忽略了库存持有成本——对低周转的长尾商品，持有成本往往超过缺货损失。

面试题

Q1. 长尾商品预测中，“长尾”主要指哪类商品？

单选题 · easy

  • A.排名靠前销量巨大的热销品
  • B.排名靠后单款稀疏的冷门品← 正确答案
  • C.已经停产下架处理的商品
  • D.价格昂贵但偶尔销售的奢侈品

答案：B。长尾对应帕累托分布中排名靠后、单品销量稀疏但群体总量可观的商品。A是“头部”商品；C是已淘汰商品，不属于需求预测范畴；D强调“贵”而非“销量稀疏”，均不符合长尾定义。

Q2. 长尾商品预测面临的最大统计挑战是？

单选题 · easy

  • A.历史销量序列又长又稳定
  • B.历史销量稀疏且富含零值← 正确答案
  • C.商品单价波动过于剧烈
  • D.客户群体数量严重过剩

答案：B。长尾商品的核心痛点是“稀疏”——样本少、零值占比高，均值不可靠。A描述的是理想情况而非挑战；C单价波动不是长尾特有的统计障碍；D并非普遍问题。

Q3. 以下哪些方法能缓解长尾数据的稀疏问题？

多选题 · mid

  • A.层次化聚合后在品类层共享信号← 正确答案
  • B.对相似SKU聚类共享统计强度← 正确答案
  • C.为每个SKU单独训练深度模型
  • D.用零膨胀模型刻画多余零值← 正确答案

答案：ABD。A和B都是“借力”思路——高层聚合和聚类共享把统计强度从邻居那里借来；D用零膨胀模型正确刻画零的机制。C恰恰相反，单独训练深度模型只会让稀疏问题更严重。

Q4. Top-down方法预测长尾SKU时，正确的顺序是？

单选题 · mid

  • A.先预测SKU再逐个求和
  • B.先预测品类再按占比分解← 正确答案
  • C.先随机抽样再平均分配
  • D.先剔除零销量再建模

答案：B。Top-down是“先看大盘再分小账”——先预测聚合的品类需求，再按历史占比分解到各SKU。A描述的是Bottom-up；C和D都不是标准的层次化流程。

Q5. 收缩估计中，当λ趋于无穷大时，预测值会？

单选题 · mid

  • A.等于该SKU自身历史均值
  • B.等于其所在聚类共享先验← 正确答案
  • C.收缩到接近于零的数值
  • D.模型数值直接溢出失效

答案：B。收缩公式中λ是共享先验的权重。λ→∞时，先验项主导分子分母，预测完全收敛到聚类先验。A是λ→0的情形；C和D与公式行为不符。

Q6. 零膨胀泊松模型中，“零值”可能来自？

多选题 · mid

  • A.结构零：商品本来就不会被购买← 正确答案
  • B.抽样零：有需求但碰巧没成交← 正确答案
  • C.数据录入员无意中抄错的记录
  • D.泊松分布均值恰好等于零

答案：AB。零膨胀模型专门建模两种零：结构零（需求不存在，如冬季的防蚊贴）和抽样零（需求存在但本周期没发生）。C是数据质量问题，不属于模型机制；D中泊松均值等于零其实已被π涵盖，不单列。

Q7. 安全库存公式SS=z√Lσ中，σ代表？

单选题 · mid

  • A.需求预测的平均绝对误差
  • B.提前期内需求的标准差← 正确答案
  • C.商品历史销量的最大值
  • D.库存周转天数的平均值

答案：B。σ是补货提前期内需求的标准差，衡量需求波动大小；预测越准、残差越小，σ就越小，安全库存随之降低。A的MAE是误差指标不是波动指标；C的最大值和D的周转天数与公式无关。

Q8. 评估长尾预测误差时，WAPE相比MAE的优势是？

单选题 · hard

  • A.WAPE对异常值完全免疫
  • B.WAPE给出误差占总需求比例← 正确答案
  • C.WAPE只关注最大销量单品
  • D.WAPE无需真实销量数据

答案：B。WAPE把误差总和除以实际需求总和，得到“预测整体偏了百分之几”，业务人员一听就懂，且在不同门店间可比。A错误，WAPE对极端值并非完全免疫；C错误，WAPE考虑全部样本；D错误，没有真实销量无法计算。

Q9. 长尾预测工程落地时，必须包含哪些环节？

多选题 · hard

  • A.构建自动化数据特征管道← 正确答案
  • B.上线后持续监控预测漂移← 正确答案
  • C.定期用新数据迭代更新模型← 正确答案
  • D.人工逐条修正所有预测结果

答案：ABC。工程落地三件套是数据管道、模型监控、迭代更新。D“人工逐条修正”既不现实也违背自动化初衷——长尾SKU成百上千，必须靠系统批量处理，人工只需处理告警异常。

Q10. 若商品A自身样本量n=5，历史均值为品类均值的2倍，品类共享先验权重λ=10，收缩后的预测值会？

单选题 · extreme

  • A.高于历史均值并不偏品类
  • B.偏向品类先验的折中值← 正确答案
  • C.等于SKU自身历史均值
  • D.等于品类平均需求水平

答案：B。代入收缩公式：(5×2c+10×c)/(5+10)=20c/15≈1.33c，其中c是品类均值。该值高于品类均值c但低于SKU自身均值2c，是偏向品类先验的折中值。A、C、D均与计算结果不符。